Na detecção de veículos sob condições climáticas complexas, devido à desfoque e obstrução do alvo que causam uma diminuição significativa na precisão da detecção, é proposto um algoritmo de detecção de veículos aprimorado YOLO-CGT baseado no YOLOv8. Este algoritmo é voltado para imagens de câmeras embarcadas e, através de múltiplas melhorias na estrutura do YOLOv8, melhora significativamente a estabilidade da detecção em ambientes complexos. Um módulo de agregação residual multiescala foi projetado para substituir a estrutura C2f original na rede principal, a fim de melhorar o uso das informações originais e reduzir o problema de desaparecimento do gradiente causado pela profundidade da rede; um módulo de agregação espacial foi introduzido, fundindo a extração de informações globais e a percepção local; uma cabeça de detecção dinâmica leve foi projetada para garantir o equilíbrio entre precisão e eficiência; a métrica Inner-Minimum Points Distance Intersection over Union (Inner-MPDIoU) foi introduzida para substituir o IoU tradicional, reduzindo o problema de sobreposição das caixas de destino. Após o treinamento e validação em um conjunto de dados de veículos sob condições climáticas complexas, os resultados experimentais mostraram que a precisão média de detecção alcançou 81,4%, um aumento de 6,3%, o número de parâmetros do modelo foi de 3,259×10^6 e o custo computacional foi de 9,7 GFLOPs, garantindo uma implantação leve do modelo ao mesmo tempo que melhora significativamente a precisão. Este método de pesquisa fornece uma forte garantia para a operação segura e estável dos sistemas de direção autônoma.

direção autônoma; detecção de veículos; YOLOv8; clima complexo; características multiescala